服务热线
86-132-17430013
品牌 | 其他品牌 |
---|
西门子代理商西门子6ES7322-1HF10-0AA0西门子6ES7322-1HF10-0AA0
数字量输出模块具有下列机械特性:
具有8、16、32或64通道的模块。
数字量输出模块将控制器的内部信号电平(逻辑“0”或“1”)转换成过程所需的外部信号电平。
多种输出电压,可支持输出不同的过程信号:
除了经济性以及易于处理的特点外,该模块还具有其他特殊功能:
商品编号 |
6ES7322-1BH01-0AA0 |
6ES7322-1BH10-0AA0 |
6ES7322-1BL00-0AA0 |
6ES7322-1BP00-0AA0 |
6ES7322-1BP50-0AA0 |
6ES7322-8BF00-0AB0 |
|
---|---|---|---|---|---|---|---|
电源电压 |
|||||||
负载电压 L+ |
|||||||
|
24 V |
24 V |
24 V |
24 V |
24 V |
24 V |
|
|
20.4 V |
20.4 V |
20.4 V |
20.4 V |
20.4 V |
20.4 V |
|
|
28.8 V |
28.8 V |
28.8 V |
28.8 V |
28.8 V |
28.8 V |
|
输入电流 |
|||||||
来自负载电压 L+(空载),最大值 |
80 mA |
110 mA |
160 mA |
75 mA |
75 mA |
90 mA |
|
来自背板总线 DC 5 V,最大值 |
80 mA |
70 mA |
110 mA |
100 mA |
100 mA |
70 mA |
|
功率损失 |
|||||||
功率损失,典型值 |
4.9 W |
5 W |
6.6 W |
6 W |
6 W |
5 W |
|
数字输出 |
|||||||
数字输出端数量 |
16 |
16 |
32 |
64 |
64 |
8 |
|
感应式关闭电压的限制 |
L+ (-53 V) |
L+ (-53 V) |
L+ (-53 V) |
L+ (-53 V) |
M+ (45 V) |
L+ (-45 V) |
|
输出端的通断能力 |
|||||||
|
5 W |
5 W |
5 W |
5 W |
5 W |
5 W |
|
负载电阻范围 |
|||||||
|
48 Ω |
48 Ω |
48 Ω |
80 Ω |
80 Ω |
48 Ω |
|
|
4 kΩ |
4 kΩ |
4 kΩ |
10 kΩ |
10 kΩ |
3 kΩ |
|
输出电压 |
|||||||
|
L+ (-0.8 V) |
L+ (-0.8 V) |
L+ (-0.8 V) |
L+ (-0.5 V) |
M + (0.5 V) |
L+ (-0.8 至 -1.6 V) |
|
输出电流 |
|||||||
|
0.5 A |
0.5 A |
0.5 A |
0.3 A |
0.3 A |
0.5 A |
|
|
2.4 mA |
2.4 mA |
|||||
|
0.36 A |
0.36 A |
|||||
|
5 mA |
5 mA |
5 mA |
10 mA |
|||
|
0.5 mA |
0.5 mA |
0.5 mA |
0.1 mA |
0.5 mA |
||
开关频率 |
|||||||
|
100 Hz |
1 000 Hz |
100 Hz |
100 Hz |
100 Hz |
100 Hz |
|
|
0.5 Hz |
0.5 Hz |
0.5 Hz |
0.5 Hz |
0.5 Hz |
2 Hz |
|
|
10 Hz |
10 Hz |
10 Hz |
10 Hz |
10 Hz |
10 Hz |
为可再生能源发电提供更准确的预测
随着并入电网的风力发电和太阳能发电的容量比例越来越高,不仅用电需求会发生波动,电能供应也会出现波动。西门子研制的一款基于神经网络的预测软件可以预测波动,从而帮助提高电力市场的效率。
Ralph Grothmann博士研制的预测软件,其工作方式类似于人类大脑:能识别事物之间的相互关系。
过去,一切都很简单。广布于全国各地的电厂,其发电量是根据用电需求来调节的。电厂通常采用日历、天气预报以及诸多其他手段,来预测各个区域和大型生产工厂的用电需求。
如今的情况却复杂许多。取决于天气因素,风电场和太阳能电站的发电量不尽相同,传统电厂必须承担起调峰任务。存在波动性的可再生能源发电的比例越大,电能供应管理难度就越大——电能供应商和电网运营商都会受到这个问题的影响。
为保证电网稳定,向电网输送的电能在数量上必须与从电网消耗的电能保持*。如果一座电站或一个大型用户发生故障,那么,应当相应地增加或减少电能供应,以避免断电。每座电厂都必须具备一定的调峰能力。然而未来,保持电网平衡的难度将与日俱增,特别是在正处于能源转型之中,计划大幅提高可再生能源发电比例的德国。
在这种新的形势下,应当如何应对?发电企业如何帮助保持电网稳定,提供可靠的电能供应,同时保持盈利?西门子中央研究院的研究人员Ralph Grothmann博士表示,答案就是通过更准确的预测,来改进规划。他说:“如果提前知道未来几天太阳能发电和风力发电的发电量,并且掌握了区域需求的预测数据,那么,就能以富于远见的方式管理传统电站,规划充足的电能供应,以抵消输电损耗,并且可以在电力市场交易上以优惠的价格购买电能。”
为了实现这个愿景,Grothmann和他的同事Hans Georg Zimmermann博士共同开发了名为“面向神经网络的模拟环境(Simulation Environment for Neural Networks,简称SENN)”的预测软件。SENN采用了类似于人类大脑的人工神经网络(计算机模型)。通过训练,这些网络能够识别出事物之间的相互关系,从而作出预测。Grothmann解释道:“神经网络的神奇之处在于,不必*分析和理解问题,就能作出预测。”
譬如,要利用分析模型来描述太阳能电站,需要根据投射的太阳能辐射功率和其他环境因素如气温、风速和湿度等,计算出太阳能电池板的发电量。如果部分太阳能电池板碰巧造成了遮挡,使阳光照不到其他太阳能电池板上,则需将这一点也纳入考虑。只有这样,分析模型才能利用天气预报的数据,来预测位于特定地理位置的太阳能电站的发电量。
利用数据进行训练。神经网络的工作方式与之大相径庭。是利用以往的数据,即天气预报数据和相应的太阳能电站的实际发电量,对它们进行训练。天气预报数据不必来自太阳能电站所在位置的气象站;这些数据也可以由附近的气象站提供。这个应用程序的任务是:根据天气预报的数据,来预测太阳能发电量。开始时,软件并不知道各种不同参数将起到什么样的作用,因此,其预测结果与太阳能电站的实际发电量有着天壤之别。在训练中,这个应用程序将反复执行这个过程达数千次,最大限度地缩小预测结果与实际数值之间的差异。逐渐地,SENN会改变各个参数的权值,以提高预测准确度。